論文の概要: ReStainGAN: Leveraging IHC to IF Stain Domain Translation for in-silico Data Generation

• arxiv url: http://arxiv.org/abs/2403.06545v1
• Date: Mon, 11 Mar 2024 09:45:34 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-12 19:44:13.117306
• Title: ReStainGAN: Leveraging IHC to IF Stain Domain Translation for in-silico Data Generation
• Title（参考訳）: ReStainGAN: IHC をIF ドメイン変換に活用したインサイリコデータ生成
• Authors: Dominik Winter, Nicolas Triltsch, Philipp Plewa, Marco Rosati, Thomas Padel, Ross Hill, Markus Schick, Nicolas Brieu
• Abstract要約: In-silicoデータセットは、計算病理学において異なる染色パターンを持つ新しいドメインに既存のアノテーションの有用性を拡張することができる。 免疫蛍光 (IF) 画像において, 形態特異的なIHC染色を別の画像チャネルに切り離し, シリカ化学(IHC) 画像を生成するための新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 0.12564343689544843
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The creation of in-silico datasets can expand the utility of existing annotations to new domains with different staining patterns in computational pathology. As such, it has the potential to significantly lower the cost associated with building large and pixel precise datasets needed to train supervised deep learning models. We propose a novel approach for the generation of in-silico immunohistochemistry (IHC) images by disentangling morphology specific IHC stains into separate image channels in immunofluorescence (IF) images. The proposed approach qualitatively and quantitatively outperforms baseline methods as proven by training nucleus segmentation models on the created in-silico datasets.
• Abstract（参考訳）: in-silicoデータセットの作成は、計算病理学において異なる染色パターンを持つ新しいドメインに既存のアノテーションの有用性を広げることができる。 そのため、教師付きディープラーニングモデルをトレーニングするために必要な、大規模かつピクセルの正確なデータセットの構築に関連するコストを大幅に削減する可能性がある。 免疫蛍光 (IF) 画像において, 形態特異的なIHC染色を別の画像チャネルに切り離して, シリカ内免疫組織化学(IHC)画像を生成する新しい手法を提案する。 提案手法は,生成したin-silicoデータセット上での核セグメンテーションモデルのトレーニングによって証明されたベースライン手法を質的かつ定量的に上回る。

関連論文リスト

• HistoSmith: Single-Stage Histology Image-Label Generation via Conditional Latent Diffusion for Enhanced Cell Segmentation and Classification [0.19791587637442667]
  本研究は, 画像ラベルペア生成のための新しい単一ステージアプローチを導入し, 組織学データセットを増強する。 ラベル生成と画像生成を分離した拡散モデルを用いる最先端の手法とは異なり,本手法では遅延拡散モデルを用いる。 このモデルは、細胞タイプ、量、組織タイプなどのユーザ定義パラメータを条件付けすることで、データ生成の調整を可能にする。
  論文  参考訳（メタデータ） (2025-02-12T19:51:41Z)
• Exploring structure diversity in atomic resolution microscopy with graph neural networks [18.903519247639355]
  ディープラーニングは、構造多様性を迅速で正確でインテリジェントな方法で探求するための強力なツールです。 この作業は、迅速で正確でインテリジェントな方法で構造多様性を探求する強力なツールを提供する。
  論文  参考訳（メタデータ） (2024-10-23T07:48:35Z)
• Data-Efficient Molecular Generation with Hierarchical Textual Inversion [48.816943690420224]
  分子生成のための階層型テキスト変換法 (HI-Mol) を提案する。 HI-Molは分子分布を理解する上での階層的情報、例えば粗い特徴ときめ細かい特徴の重要性にインスパイアされている。 単一レベルトークン埋め込みを用いた画像領域の従来のテキストインバージョン法と比較して, マルチレベルトークン埋め込みにより, 基礎となる低ショット分子分布を効果的に学習することができる。
  論文  参考訳（メタデータ） (2024-05-05T08:35:23Z)
• Synthesizing CTA Image Data for Type-B Aortic Dissection using Stable Diffusion Models [0.993378200812519]
  安定拡散(SD)は、ジェネレーティブAIの分野で近年注目を集めている。 心電図CTA画像は, テキスト・トゥ・イメージ(T2I)の安定拡散モデルを用いて, 正常に生成できることが示されている。
  論文  参考訳（メタデータ） (2024-02-10T14:59:37Z)
• Assessing the capacity of a denoising diffusion probabilistic model to reproduce spatial context [7.289988602420457]
  拡散確率モデル(DDPM)は生成逆数ネットワーク(GAN)と比較して画像合成性能が優れていることを示す これらの主張は、自然画像用に設計されたアンサンブルベースの手法や、構造的類似性などの画像品質の従来の尺度を用いて評価されている。 本研究は,空間文脈学習におけるDDPMの能力に関する新たな重要な知見を明らかにするものである。
  論文  参考訳（メタデータ） (2023-09-19T17:58:35Z)
• NASDM: Nuclei-Aware Semantic Histopathology Image Generation Using Diffusion Models [3.2996723916635267]
  第一種核認識意味組織生成フレームワーク(NASDM) NASDMは、最大6種類の核型のセマンティック・インスタンス・マスクを与えられた現実的な組織サンプルを合成することができる。 これらの合成画像は、病理学、モデルの検証、既存の核セグメンテーションデータセットの補充に有用である。
  論文  参考訳（メタデータ） (2023-03-20T22:16:03Z)
• Enhanced Sharp-GAN For Histopathology Image Synthesis [63.845552349914186]
  病理組織像合成は、正確ながん検出のためのディープラーニングアプローチの訓練において、データ不足の問題に対処することを目的としている。 核トポロジと輪郭正則化を用いて合成画像の品質を向上させる新しい手法を提案する。 提案手法は、Sharp-GANを2つのデータセット上の4つの画像品質指標すべてで上回る。
  論文  参考訳（メタデータ） (2023-01-24T17:54:01Z)
• Data-driven generation of plausible tissue geometries for realistic photoacoustic image synthesis [53.65837038435433]
  光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。 我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。 我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
  論文  参考訳（メタデータ） (2021-03-29T11:30:18Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• Learning Neural Generative Dynamics for Molecular Conformation Generation [89.03173504444415]
  分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。 分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
  論文  参考訳（メタデータ） (2021-02-20T03:17:58Z)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。